این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
دانش آب و خاک، جلد ۲۱، شماره ۳، صفحات ۱۵۳-۱۶۲
عنوان فارسی تخمین پایداری خاکدانه در خاک‌های جنگلی استان گیلان بوسیله شبکه عصبی مصنوعی و توابع انتقالی رگرسیونی
چکیده فارسی مقاله استفاده از شبکه­های عصبی مصنوعی و توابع انتقالی رگرسیونی در برآورد ویژگی­های دیریافت خاک از جمله پایداری خاکدانه­ها، هزینه و زمان لازم برای اندازه­گیری مستقیم این ویژگی­ها را کاهش می­دهد. در این پژوهش 100 نمونه خاک از جنگل­های استان گیلان تهیه شد. ماده آلی، جرم ویژه ظاهری، کربنات کلسیم معادل، جرم ویژه حقیقی، تخلخل، مقاومت مکانیکی خاک، رس، شن، سیلت، pH و هدایت الکتریکی به عنوان متغیرهای مستقل و میانگین هندسی قطر خاکدانه­ها (GMD) به عنوان متغیر وابسته تعیین شدند. نمونه­ها به صورت تصادفی به دو سری شامل 80 داده برای آموزش و 20 داده برای آزمون مدل­ها تقسیم شدند. برای ایجاد توابع انتقالی رگرسیونی از روش گام به گام و به منظور تشکیل شبکه­های عصبی مصنوعی از الگوریتم آموزشی مارکوارت-لورنبرگ و ساختار پروسپترون سه لایه با شش نرون در لایه پنهان استفاده شد. بر اساس نتایج ماتریس همبستگی بین GMD به­عنوان متغیر وابسته و متغیرهای مستقل، تعداد 18 گروه متغیر مستقل برای داده­ها انتخاب شدند. این متغیرها یک بار به عنوان متغیرهای ورودی توابع انتقالی رگرسیونی چندگانه و یک بار به عنوان متغیرهای ورودی شبکه عصبی مصنوعی به کار رفتند. بر اساس آماره­های ضریب تبیین تصحیح شده (R2ady)، ریشه دوم میانگین مربعات خطا (RMSE) و برتری نسبی (RI) مدل با متغیرهای ورودی pH، جرم ویژه حقیقی، سیلت و مقاومت مکانیکی خاک بهترین مدل­­ شبکه عصبی مصنوعی برای برآورد GMD داده­های مورد آزمایش شناخته شد.
کلیدواژه‌های فارسی مقاله
عنوان انگلیسی Estimation of Soil Aggregate Stability in Forest`s Soils of Guilan Province by Artificial Neural Networks and Regression Pedotransfer Functions
چکیده انگلیسی مقاله Using artificial neural networks (ANNs) and regression pedotransfer functions to predict the surrogate soil properties such as aggregate stability reduces time and cost needed for their direct measurements. In this research, 100 soil samples were collected from the forest soils of Guilan province. Organic matter, bulk density, equivalent carbonate calcium, particle density, porosity, soil mechanical resistance, clay, sand, silt, pH and electrical conductivity all were measured as independent variables. Geometric mean diameter (GMD) was computed as dependent variable by appropriate method. The samples were divided into two data subsets randomly: 80 for model calibration and 20 for model test. Regression pedotransfer functions were generated by stepwise method. For establishing ANNs we used Marquardt-Levenburg training algorithm and a 3-layer perceptron structure with 6 neurons in one hidden layer. According to the correlation matrix between GMD as dependent variable and independent variables, 10 groups input variables were selected. The were employed once by multi-variate regression pedotransfer functions and once by artificial neural networks. According to the adjusted coefficient of determination (R2ady), root mean square error (RMSE) and relative improvement (RI) a model resulted from applying ANNs and using input variables of pH, particle density, silt and soil mechanical resistance turned to be the best model for predicting GMD of the examined soils.
کلیدواژه‌های انگلیسی مقاله
نویسندگان مقاله عادله علی جانپور شلمانی | alijanpour shalmani
دانشگاه گیلان، رشت
سازمان اصلی تایید شده: دانشگاه گیلان (Guilan university)

محمود شعبانپور |
دانشگاه گیلان
سازمان اصلی تایید شده: دانشگاه گیلان (Guilan university)

حسین اسدی |
دانشگاه گیلان
سازمان اصلی تایید شده: دانشگاه گیلان (Guilan university)

فرید باقری |
مرکز تحقیقات چای کشور لاهیجان

نشانی اینترنتی http://water-soil.tabrizu.ac.ir/article_1217_66.html
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات